【技术实现步骤摘要】
本专利技术提供一种电能质量扰动神经网络输出层结构和标签设计方法，属于供电。
技术介绍
1、由于直流输电落点较为集中，一旦发生复合电能质量扰动，很容易引起多条直流线路换相失败；这种情况可能导致电网暂态电压不稳定、频率超出正常运行范围等问题。此外，复合电能质量扰动还可能影响精密设备的精确度，导致工厂产品不良率增加。作为评价电力系统稳定性和进行调控的重要指标，复合电能质量扰动的准确识别和分类对于电力系统的安全运行至关重要。通过建立基于电能质量扰动类型的调节和反馈机制，可以有效地减少系统备用容量的需求，增强系统的电压支撑能力，减少频率波动。这些措施对于保障电力系统的稳定运行和提升供电质量具有显著的作用。
2、电能质量扰动是指电力系统中的电压电流波形偏离实际的正弦特征的情况，然而电力系统中不会出现全部的情况，依据ieee std 1159-2019的相关标准，电力系统中可能出现的情况分为以下类别：c1正常、c2暂降、c3暂升、c4中断、c5振荡、c6缺口、c7尖峰、c8闪变、c9谐波；而随着现代电力系统复杂化后，电能质量扰动不仅仅是以单一扰动情况下发生，而是以多种扰动共同组合同时发生，如暂降+谐波、振荡+谐波同时发生，即复合电能质量扰动。其中依据能否同时发生划分为四大类别，第一大类三种：c2暂降、c3暂升、c4中断，第二大类：c5振荡、c6缺口、c7尖峰，第三大类：c8闪变，第四大类：c9谐波；其中各类满足内间互斥，类类可组合，例c2+c3的组合是无法存在的，因为c2、c3是一个大类，但是c2+c5+c8+c9都是能够存在的，
3、对于复合电能质量扰动的识别，需要用标记的标签来表明复合电能质量扰动类型，特别是利用人工智能相关的卷积网络模型需要设置详细的分类结果标签，这些标签如上文中提到的c1正常、c2暂降、c3暂升、c4中断、c5振荡、c6缺口、c7尖峰、c8闪变、c9谐波；通常我们使用多标签进行分类，如给定一种扰动类型，我们判断里面发生的扰动有哪些，如c8+c9，而不是如附图一样看为一种新的扰动c13，这种被称为多标签分类方法。多标签分类方法认为扰动类型有九大类，并认为标签之间是平等关系，即对于训练后的神经网络训练输出的结果可能为这九种任意的组合，其可能会存在c2+c3这种不符合工程实际和相关标准的情况出现。我们设计了一种针对复合电能质量扰动识别的标签训练方法，能够有效地解决这个问题；这种方法在原理上保证了类内标签的互斥、类间标签的组合。
技术实现思路
1、本专利技术所要解决的技术问题为：
2、针对复合电能质量扰动识别分类现存分类方法：
3、多分类：讲组合发生的扰动视为一种全新的扰动，即满足排列组合原理；因此其中单一扰动共9种，双重扰动共22种，三重扰动共24种，四重扰动9种；因此需要设置共计64种标签；但一些扰动不常出现，因此部分文献一般只设置常用的小于64种的扰动标签，但是如果发生扰动外的标签集，显然分类结果是不可靠的。若全部设置一般利用神经网络训练过程的收敛性难以保证，且收敛准确率通常较低，通常利用crossentropyloss、nllloss、label smoothing loss等损失函数计算训练过程中的损失。其中最后的输出结果一般为设置的样本数量数，其值在一定程度上代表了为该类别的概率，一般取值这些值中最高的值的位置的标签，并将这个标签认定为分类结果。可以认为多分类中标签是互斥的，即只能出现唯一一个标签。
4、多标签：多标签是利用了多分类这写标签都是利用九种标准扰动组合的特点，在网络的最后一层设置九个输出变量，通常利用bcewithlogitsloss计算损失函数，每个类别都输出一个概率，共记九个概率，分别表示样本里发生这种扰动的概率，通常认为大于0.5即表示这个样本中发生了这种扰动，并将这个标签置1。但我们发现，多标签的标签之间是平等的，标签之间没有互斥特点，即可以同时出现任意标签组合。这显然不符合1.1第二段提及的标准内容，因此本专利技术充分利用类内标签的互斥、类间标签的组合的特点，设计了一种标签定义方法和损失函数计算方法，该方法能够有效确保分类器无法输出类内互斥标签的同时出现，且不影响内间标签的自由组合。
5、本专利技术的目的在于提供一种电能质量扰动神经网络输出层结构和标签设计方法，防止输出互斥标签、泛化能力更强。
6、本专利技术提供的这种电能质量扰动神经网络输出层结构和标签设计方法，包括以下步骤：
7、s1.确定输入的电能质量扰动类型；
8、s2.确定选用的相关神经网络模型网络；
9、s3.修改选用的网络模型结构，使其与输入的数据进行匹配；
10、s4.修改神经网络模型的最后一层，编写损失函数；
11、s5.对电能质量扰动信号适配进行处理，依据硬件结构确定变比，即确定标准信号以及训练的标准信号的标签；
12、s6.利用标准信号训练神经网络；
13、s7.将步骤s6得到的网络进行部署，并将输出数据进行处理；
14、s8.将数据输出到专用记录设备和显示设备上。
15、具体的技术方案为：
16、步骤s1所述的确定模型的输入值和类型，具体为输入层接收待输入的复合电能质量扰动样本，其可以是采集到的固定长度的复合电能质量扰动一维信号、变换后的特征信号、各种变换方法和编码方法转换得到的二维图像、挑选的特征量以及这些量的组合，只要是任何带有复合电能质量扰动信号特征的都可以作为输入。
17、步骤s2所述的神经网络模型的搭建可以是自行设计的或者参考典型模型(cnn、resnet、densenet、transformer、self-attention)。网络的选取主要是依据输入信号的特点，如信号输入的特征复杂，建议使用深层模型。
18、步骤s3所述的确定网络模型结构，使其与输入的数据进行匹配，是指若选用二维数据输入的网络则需要对输入层进行一定的适配性修改。
19、步骤s4所述的是采用本方法提出的输出层需要设置输出量为10，即最后的输出为10个变换范围在0-1的值，为了便于后续表述，这里将这10个值分别记为c1、c2、c3、c4、a1、c5、c6、c7、c8、c9。而损失函数设计部分是指重新编写训练过程在网络的损失函数计算方法，损失函数是训练神经网络过程中必备可少的部分，后期网络中参数的更新(该过程被称为神经网络训练)都是依据这个参数对损失函数的影响程度进行更新的。损失函数的具体定义为公式1：
20、
21、其中n＝n1+n2+n3，n1，n2，n3为三个任务的样本数量；lossmulti-class-1为c1-c2-c3-c4多分类的损失函数，其具体函数为多分类的通用损失函数；lossmulti-class-2为a1-c5-c6-c7多分类的损失函数，其具体函数为多分类的通用损失函数；lossmulti-label-3为c8-c9多标本文档来自技高网...
【技术保护点】
1.电能质量扰动神经网络输出层结构和标签设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的电能质量扰动神经网络输出层结构和标签设计方法，其特征在于，步骤S1所述的确定模型的输入值和类型，具体为输入层接收待输入的复合电能质量扰动样本，为采集到的固定长度的复合电能质量扰动一维信号、变换后的特征信号、各种变换方法和编码方法转换得到的二维图像、挑选的特征量以及这些量的组合。
3.根据权利要求1所述的电能质量扰动神经网络输出层结构和标签设计方法，其特征在于，步骤S3中，若选用二维数据输入的网络则对输入层进行一定的适配性修改。
4.根据权利要求1所述的电能质量扰动神经网络输出层结构和标签设计方法，其特征在于，步骤S4中，输出层设置输出量为10，即最后的输出为10个变换范围在0-1的值，这10个值分别记为C1、C2、C3、C4、A1、C5、C6、C7、C8、C9；
5.根据权利要求1所述的电能质量扰动神经网络输出层结构和标签设计方法，其特征在于，步骤S5中，标准数据是指对数据的幅值进行校准，即校准因为分压器、互感器参数不同而对电信号进
6.根据权利要求1所述的电能质量扰动神经网络输出层结构和标签设计方法，其特征在于，步骤S6，是指将前面步骤得到的模型、训练测试集、损失函数传入cuda中进行训练，不断地更新模型参数，直到得到满意准确率的模型并保存。
7.根据权利要求1所述的电能质量扰动神经网络输出层结构和标签设计方法，其特征在于，步骤S7所述的将步骤S6得到的网络进行部署，并将输出数据进行处理是指离线运用训练好后的神经网络模型；
...【技术特征摘要】
1.电能质量扰动神经网络输出层结构和标签设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的电能质量扰动神经网络输出层结构和标签设计方法，其特征在于，步骤s1所述的确定模型的输入值和类型，具体为输入层接收待输入的复合电能质量扰动样本，为采集到的固定长度的复合电能质量扰动一维信号、变换后的特征信号、各种变换方法和编码方法转换得到的二维图像、挑选的特征量以及这些量的组合。
3.根据权利要求1所述的电能质量扰动神经网络输出层结构和标签设计方法，其特征在于，步骤s3中，若选用二维数据输入的网络则对输入层进行一定的适配性修改。
4.根据权利要求1所述的电能质量扰动神经网络输出层结构和标签设计方法，其特征在于，步骤s4中，输出层设置输出量为10，即最后的输出为10个变换范围在0-1的值，这10个值...
【专利技术属性】
技术研发人员：黄志威，曾强，张伟平，吴洁婷，王花蕊，谢培成，谢伟伦，李世亨，杨志华，袁淼，陈庆虹，董亚文，
申请(专利权)人：广东电网有限责任公司东莞供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。